アルゴリズムイントロダクション第５章( ) 確率論的解析

Presentation on theme: "アルゴリズムイントロダクション第５章( ) 確率論的解析"— Presentation transcript:

1 アルゴリズムイントロダクション第５章(5.1-5.2) 確率論的解析
2010年CS勉強会第２回 アルゴリズムイントロダクション第５章( ) 確率論的解析 tniky1

2 第５章の概要 これまで(特に２章)では最悪実行時間を意識 典型的な場合、平均的な場合を知りたいこともある
まあ、確かに 典型的な場合、平均的な場合を知りたいこともある 入力分布に関する知識を使うか、入力を強制的に ランダムにする 対応ページの記載

3 第５章トピック 5.1 雇用問題 5.2 指標確率変数 5.3 乱択アルゴリズム 5.4 確率論的解析と高度な指標確率変数の利用法
今回範囲 5.1 雇用問題 確率論的解析法と乱択アルゴリズムの概要を知れる 5.2 指標確率変数 指標確率変数を求めることで確率論的解析が可能 5.3 乱択アルゴリズム 入力分布に関する知識がない場合に平均的な振る舞いを知る 5.4 確率論的解析と高度な指標確率変数の利用法 確率論的解析を具体例をあげつつ解説 p87-113

4 雇用問題：概要 目的 手順 新しい秘書を雇用 候補者は全部でn人 雇用代理店が毎日1人の候補を送ってくる
こういう問題が現実にあった時、事前に見積もりが知りたい(^^) つまり、平均のコストが知りたい！確率論的解析で解こう！ 目的 新しい秘書を雇用 手順 候補者は全部でn人 雇用代理店が毎日1人の候補を送ってくる 候補者が現在の秘書より良い場合必ず雇い, 前任者は解雇 面談するのに小さなコストがかかる 雇用するのに大きなコストがかかる 何人雇用することになるか事前には不明(今回のものは候補者全員と面談は行う) p87

5 候補者数が決まっているとすれば、実行の度に変化するのはmのみ！
雇用問題：アルゴリズム 雇用代理店 面談 ・・・・・ n 候補 i 現在の秘書best HIRE-ASSISTANT(n) 単位コスト 回数 best ← 0 =>候補者0は最悪のダミー候補 for i ← 1 to n do 候補iと面談する if 候補iは候補bestよりも優れている then best ← i hire candidate i Ci Ch n m 　(雇用人数) 候補者数が決まっているとすれば、実行の度に変化するのはmのみ！ 全体のコスト：O(nCi + mCh) p88

6 雇用問題：確率論的解析法のため入力分布を仮定
確率論的解析法は入力分布が必要 今回、候補者はランダムな順序で現れると仮定可能 2人の候補者の優劣は判定可能と仮定 候補者の間に全順序が存在 各候補1〜nの番号を用いて一意にランク付けできる リストの全ての可能性が等確率でおこるってこと 候補者のランクは一様ランダム置換 候補者ランクリストのn!通りの置換がそれぞれ等確率で出現するということ p88-89

7 最終的にはm(雇用人数)の期待値を出したい。確率から簡単に出せるようになる
指標確率変数 最終的にはm(雇用人数)の期待値を出したい。確率から簡単に出せるようになる 何ができる？ 確率と期待値を互いに変換する便利な方法を提供 どんなもの(定義)？　(指標確率変数:XA,I{A} A:事象) (例) コイントスのXi A：i番目のコインが表になる Xi：I { i 回目で表になる} 1 Aが起こる時 0 Aが起こらない時 A:コインが表になる XA = I {A} = 雇用問題のXi A：候補 i が雇用される Xi：I { 候補 i が雇用される} p90

8 コイントス問題で指標確率変数の良さをしる！
雇用問題の前に、コイントスで説明 (具体例)コイントス コインをn回投げる コインの表裏の確率はそれぞれ1/2 何回表になると期待できる? E [XA] = Pr{A}を利用してとく！ 事象A、期待値E、指標確率変数XA 、確率Pr 事象Aに関する指標確率変数の期待値はAが起こる確率に等しい！ コイントスの場合では、{i番目で表になる}という事象に関する確率変数の期待値が{i番目で表になる}確率と等しい n/2になることは予想できる(1/2の期待値がn回)けど、これを指標確率変数を用いて解いてみる。 期待値と確率を互いに変換！一応あとで証明 E[Xi] = Pr{i回目で表} = ½ p91

9 コイントス問題で指標確率変数の良さをしる！
個別だと確率が分かるので期待値はでる。 コイントス Xi = I { i 回目で表になる} E[Xi] = Pr { i 回目で表} = ½ 表になる回数を表す確率変数 X = 個別の表になるかどうかXi(0 or 1)を1〜nまで足す 両辺の期待値 求めるのはXの期待値(全体) 期待値の線形性という性質を利用 [線形性] 2つの確率変数の和の期待値は、それぞれの期待値の和に等しい E[X+Y] = E[X] + E[Y] p91-92

10 E [XA] = Pr{A} (期待値と確率を互いに変換)の証明
指標確率変数の定義 期待値の定義 確率と確率変数を掛けた総和を取ったもの 証明 XA = I {A} = 1 Aが起こる時 0 Aが起こらない時 確率変数 確率 p91

11 個別の雇用されるかどうかXi(0 or 1)を1〜nまで足す
指標確率変数を用いた雇用問題の解析 個別だと確率が分かるので期待値はでる。 雇用問題 Xi = I {候補 i が雇用される} E[Xi] = Pr { i が雇用される} = 1 / i (i人中最も優れている確率) 雇用回数を表す確率変数 X = 個別の雇用されるかどうかXi(0 or 1)を1〜nまで足す 両辺の期待値 [　　　　の計算] 意外と面倒。積分を利用。 正確に行うには挟み撃ちを行う。 p324参照 求めるのはXの期待値(全体) mのこと！ 線形性 n ＝　[ln] ≒ ＝ 1 p92-93

12 雇用問題のコスト(候補者はランダムに現れると仮定)
HIRE-ASSISTANT(n) 単位コスト 回数 best ← 0 =>候補者0は最悪のダミー候補 for i ← 1 to n do 候補iと面談する if 候補iは候補bestよりも優れている then best ← i hire candidate i Ci Ch n m 　(雇用人数) コスト：O(nCi + mCh) = O(mCh) (Ci<<Chより) m(雇用人数)の期待値が でた！やったね(^^) 全体の平均コスト：O( Ch　　　　　　) p93

13 これまで アルゴリズムは最悪コストさえ考えればいいんだよ。 平均コスト？ そんなものは知らん。(キリッ)
最悪コストだけでいいんだよ、最悪コストだけ、最悪・・・・・・

14 指標確率変数の性質と期待値の性質を使うと計算も簡単にだせるよ！
これから 平均的な場合が知りたい？ もちろん求められるよ 入力分布が分かるとよいね。 指標確率変数の性質と期待値の性質を使うと計算も簡単にだせるよ！

15 補足 Hire-Assistantの実装